發(fā)布時間：2020-10-20 06:40

　　 近年來,隨著經(jīng)濟全球化及金融自由化進程的不斷深入,我國的消費金融服務(wù)發(fā)展迅速。同時,隨著互聯(lián)網(wǎng)特別是移動互聯(lián)網(wǎng)的全面普及,互聯(lián)網(wǎng)消費金融信貸規(guī)模出現(xiàn)了爆發(fā)式的增長,越來越多的人開始使用互聯(lián)網(wǎng)消費金融服務(wù)。政府監(jiān)管政策的相繼出臺倒逼互聯(lián)網(wǎng)消費金融為代表的消費金融行業(yè)進行更深入的改革與創(chuàng)新。金融機構(gòu)獲利方式需要從以用戶規(guī)模為基礎(chǔ)的粗放型信貸模式向以用戶質(zhì)量為基礎(chǔ)的集約型信貸模式轉(zhuǎn)變。金融機構(gòu)的信用風(fēng)險管理水平?jīng)Q定了其盈利能力,是其在激烈的同行業(yè)競爭中脫穎而出的關(guān)鍵因素。如何構(gòu)建更加科學(xué)、合理、有效的信用風(fēng)險評估模型已成為當(dāng)前信用風(fēng)險評估研究的重要內(nèi)容。信用風(fēng)險評估模型本質(zhì)上是一個二分類問題,即如何把信貸申請人中信用好的申請人和信用差的申請人區(qū)分出來。在以往的研究成果中,已有許多國內(nèi)外學(xué)者對信用風(fēng)險評估領(lǐng)域進行了深入的研究和探討,提出了眾多適用于不同數(shù)據(jù)類型的信用風(fēng)險評估模型,但也存在著一些不足之處,如較少使用混合特征模型對信用風(fēng)險評估數(shù)據(jù)進行特征選擇研究,較少對集成模型中的基分類器進行集成選擇研究等。本文基于已有的研究成果,首先對信用風(fēng)險評估研究的背景和意義進行了詳細地闡述,從傳統(tǒng)專家經(jīng)驗?zāi)Ｐ脱芯�、單一分類器模型研究、組合模型研究三個角度系統(tǒng)梳理了國內(nèi)外信用風(fēng)險評估的研究狀況,并對特征選擇、分類器算法、分類器集成等三方面相關(guān)知識和技術(shù)進行了詳細介紹。在此基礎(chǔ)上,本文提出了兩種具有自適應(yīng)功能的信用風(fēng)險評估模型:(1)本文提出了一種數(shù)據(jù)樣本自適應(yīng)的信用風(fēng)險評估集成模型。首先,設(shè)計了一種改進型平衡級聯(lián)算法用對超出閾值的不平衡數(shù)據(jù)進行處理,有效解決不平衡數(shù)據(jù)對模型的干擾;其次,使用兩種基于決策樹算法的集成分類器(隨機森林和XGBoost算法)作為集成模型的基分類器,有效保障集成模型的分類預(yù)測性能;最后,使用堆疊法進行分類器集成從而構(gòu)建具有更高預(yù)測性能的信用風(fēng)險評估集成模型。(2)本文進一步提出了一種多階段自適應(yīng)的信用風(fēng)險評估集成模型。首先,本文提出一種改進型多種群小生境遺傳算法(EMPNGA)用于特征選擇;其次,通過結(jié)合多種特征選擇過濾法與EMPNGA算法,構(gòu)建混合特征選擇算法用以進行自適應(yīng)特征選擇,有效去除冗余特征;再次,構(gòu)建一個帶有多個基分類器的候選分類器池,并通過進一步改進EMPNGA算法和結(jié)合基分類器先驗知識,從候選分類器池中自適應(yīng)地篩選出最優(yōu)的分類器子集;最后,將最優(yōu)分類器子集通過堆疊法構(gòu)建具有更高預(yù)測性能的信用風(fēng)險評估集成模型。為了驗證上述兩種模型的整體性能,本文采用4個真實數(shù)據(jù)集和4個評價指標(biāo)對本文提出的模型進行多維度對比分析。實驗結(jié)果表明:(1)在不平衡數(shù)據(jù)中,改進型平衡級聯(lián)算法能有效提升分類器預(yù)測性能;(2)經(jīng)過特征選擇的分類模型性能均優(yōu)于未進行特征選擇的分類模型性能;(3)EMPNGA算法與標(biāo)準(zhǔn)二進制GA算法和標(biāo)準(zhǔn)二進制粒子群算法(PSO)相比具有更好的優(yōu)化性能;(4)與其它5種特征選擇方法相比,結(jié)合HEMPNGA算法的信用風(fēng)險評估模型能獲得更好的預(yù)測效果;(5)多階段自適應(yīng)的信用風(fēng)險評估集成模型的預(yù)測結(jié)果比其它對比模型具有更好的預(yù)測性能。綜上所述,實驗證明本文提出的模型和算法均具有更優(yōu)異的性能。本文的研究成果是對信用風(fēng)險評估領(lǐng)域研究現(xiàn)有成果的創(chuàng)新和發(fā)展,為信用風(fēng)險評估領(lǐng)域的理論研究提供了新的研究視角和方法,具有良好的理論價值。此外,本文的研究成果有利于防范我國金融消費與信用風(fēng)險評估領(lǐng)域產(chǎn)生的系統(tǒng)性金融風(fēng)險,有利于提高金融機構(gòu)的競爭力,為金融機構(gòu)實現(xiàn)快速、合理、高效放貸提供技術(shù)支持,具有良好的應(yīng)用價值。
【學(xué)位單位】：浙江財經(jīng)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：C815
【部分圖文】：

成模型用于信用風(fēng)險評估。出多階段自適應(yīng)的信用風(fēng)險評估集成模型。首先多種特征選擇過濾法與 EMPNGA 算法相結(jié)合構(gòu)建候選分類器池，池中包含根據(jù)上文提出方法所步改進 EMPNGA 算法并構(gòu)建分類器選擇過程；器子集并通過堆疊法構(gòu)建集成模型。驗設(shè)計和實驗結(jié)果分析。首先，介紹本研究所使息；其次，描述實驗的數(shù)據(jù)預(yù)處理過程和參數(shù)指標(biāo)和顯著性檢驗方法；最后，對實驗結(jié)果進結(jié)與展望。對全文的工作進行總結(jié)與歸納，同時來研究的工作方向進行展望。技術(shù)路線如圖 1-1 所示。

1( )Nt tiC N H T Nαα== +1( ) logktk tktit tN NH TN N== 向量機（SVM）Cortes 和 Vapnik 在 1995 年提出，它在小樣本、高緯的分類性能。其基本思想是：建立一個最優(yōu)超平面用其兩類樣本點到超平面的距離最大化。對于一個具有過不斷更新超平面的角度直到訓(xùn)練樣本中不同類別面分割，并且在滿足條件的超平面中最大化樣本點和到 SVM 的最優(yōu)分類效果。SVM 最優(yōu)分類示意圖如

圖 2-3 分類器集成效果圖據(jù)基分類器的構(gòu)造，分類器集成可分為同質(zhì)集成和異質(zhì)集成兩大指將相同的基分類器進行集成，典型的分類器為 RF 算法、梯度提DT；Friedman，2001）、極限梯度提升決策樹（XGBoost）。異同類型的分類器預(yù)測相同的數(shù)據(jù)，所得的結(jié)果進行優(yōu)勢互補以彌補的不足，從而獲得更好的學(xué)習(xí)結(jié)果（Xia 等，2018）。目前，裝袋法（B、提升法（Schapire，1990）和堆疊法（Wolpert，1992）是三種使集成學(xué)習(xí)方法。、裝袋法袋法的英文名稱為 Bagging（bootstrap aggregating 的縮寫形式），始數(shù)據(jù)集的不同隨機樣本子集來構(gòu)造多個不同的基模型，并對所有結(jié)果進行綜合以產(chǎn)生最終的預(yù)測結(jié)果，這是一種能夠減少估計方差示意圖如圖 2-4 所示。例如，我們可以在不同的數(shù)據(jù)子集上訓(xùn)練 算集成結(jié)果，如式 2.23 所示，其中，T 表示基模型個數(shù)。
【參考文獻】

相關(guān)期刊論文 前10條

1 段薇;路向陽;;基于代價敏感支持向量機的銀行信用風(fēng)險評估模型[J];江西科技師范大學(xué)學(xué)報;2015年06期

2 亓慧;王文劍;郭虎升;;一種基于特征選擇的SVM Bagging集成方法[J];小型微型計算機系統(tǒng);2014年11期

3 賀德榮;蔣白純;;面向社會管理的個人信用評價指標(biāo)體系研究和設(shè)計[J];電子政務(wù);2013年05期

4 王潤華;;基于改進支持向量機的消費信貸中個人信用評估模型[J];統(tǒng)計與決策;2010年11期

5 郭小燕;;主成份分析法在銀行個人信用評價中的應(yīng)用[J];計算機與信息技術(shù);2009年05期

6 王莉莉;劉同明;石亮;曹敢;;基于決策樹方法的銀行客戶信用評估[J];江南大學(xué)學(xué)報(自然科學(xué)版);2007年06期

7 肖文兵;費奇;萬虎;;基于支持向量機的信用評估模型及風(fēng)險評價[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2007年05期

8 姜明輝;袁緒川;;GA改進的統(tǒng)計組合模型在個人信用評估中的應(yīng)用[J];哈爾濱工業(yè)大學(xué)學(xué)報(社會科學(xué)版);2007年01期

9 劉軍麗;陳翔;;基于決策樹的個人住房貸款信用風(fēng)險評估模型[J];計算機工程;2006年13期

10 沈杰;;西方發(fā)達國家個人誠信制度及其運行機制[J];社會科學(xué)管理與評論;2006年02期

本文編號：2848360